近年来,医学图像技术凭借非侵入性和高特异性等特点,受到了临床医学领域的极大重视,在医学诊断及介入治疗领域均取得了广泛的认可,现已成为临床医疗工作中的重要环节。这使得以超声、CT、MRI等为代表的医学图像技术快速发展,医学图像数据急剧增加。而医学图像的处理、分析及诊断工作繁琐重复;器官自身解剖结构复杂,成像条件多变,医学图像呈现不同的特征,在诊断过程中对医生经验和水平要求较高。基于算法和模型的图像处理、分析技术的持续快速发展为医学图像研究的痛点带来曙光。但是,由于医学图像数据中的噪声、弱对比度和灰度不匀致等问题使得图像分割仍然是图像自动处理、分析和识别中最根本、最困难的问题之一。因此,如何从这些变化复杂的图像数据中准确地分割目标是当前精准医疗辅助诊断技术研究中的一个重要研究方向。本文以分割问题和分割算法驱动的思路为基础,以医学图像为研究对象,针对图像中存在的噪声、弱对比度和灰度不匀致等问题,使用图像或目标的统计信息,提出三个扩展的形变模型,并详细地介绍了模型的相关理论和方法,以及它们在医学图像分割中的应用。本文主要有以下三项工作:(1)针对CT肝脏肿瘤分割中的噪声和低对比度的问题,利用基于深度神经网络区域学习和局部灰度统计特征,提出了一种以图像统计信息为主导的3D形变模型的肝脏肿瘤分割方法。为了得到封闭、光滑、准确的肿瘤边界,该形变模型基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的原理和局部累积光谱直方图的肿瘤纹理特征构造。为了实现肿瘤的全自动分割,使用基于区域学习的深度神经网络模型——全卷积网络(Fully Convolutional Networks,FCN)对腹部CT图像的肝脏和肿瘤进行语义训练和分割,利用FCN分割结果自动地初始化形变模型。为了减少CT图像的信噪比,提高目标和背景的对比度,FCN中的训练数据和测试数据均利用BM3D进行预处理。临床数据实验结果说明本章提出的分割方法对噪声、低对比度和异质肿瘤有一定的鲁棒性,能达到与现有分割方法相当甚至更优的结果。(2)针对CT肝脏分割中的噪声、低对比度、形态异常和粘连等问题,利用统计形状先验、图像全局和局部灰度统计信息,提出了一种以几何形态学先验为主导的多统计信息形变模型的肝脏分割方法。该方法包括形状构建和形变分割两个阶段。在统计形状模型构造中,利用符号距离函数表示肝脏形状,以最大重合度为准则进行形状对齐,最后基于PCA方法,使用无约束形状系数表示形状空间中的变化形态。在形变分割模型构造中,结合图像区域的局部统计特征和用户交互指定的目标区域的平均累积分布函数,研究了一种对噪声鲁棒的局部增强统计特征,然后在在水平集框架下,研究了一种结合目标统计形状先验、全局灰度高斯统计分析和局部增强统计特征的多统计信息形变模型的肝脏分割方法。最后,利用改进的CV方法,优化基于PCA的几何形态表示,让轮廓更加精确地表示肝脏的狭长边界。两个公开数据库的实验结果表明,利用这种多种统计信息和无约束的形状系数可以有效地提高肝脏分割的准确性。(3)针对医学图像分割中的噪声、不匀致和纹理等问题,利用高斯统计多尺度分析,研究了一种以多尺度形状先验和图像统计信息共同主导的B样条全局优化分割方法。这种融合方式考虑人从整体到局部的视觉认知过程。利用高斯分布分析图像低层的全局区域灰度统计信息,通过多尺度高斯核灰度均衡化方法在高斯金字塔顶端获取目标高层形状信息。在水平集框架下,将得到的低层信息和高层信息通过多尺度方式融合嵌入到分割能量泛函中。能量泛函考虑将粗尺度下得到的先验轮廓作为下一细尺度的初始轮廓,并且约束该尺度轮廓的演化。最后,结合B样条显式表示水平集函数的优势,研究了全局优化的分割模型。在模拟图像和真实图像上的数值实验证明了该分割方法的优势,且这种融合多尺度形状先验和图像统计信息的方法对弱对比度、噪声和纹理鲁棒。本文的多统计信息主要是指目标先验形状统计信息、图像灰度的全局或局部统计信息,以及图像边缘信息。实验表明,所提出的算法在较复杂的情况下能取得好的分割结果,使用多统计信息在一定程度上能提升分割算法的性能。